目的

非肌层浸润性膀胱癌复发风险的精确分类对于制定个性化的治疗方案至关重要。本研究旨在利用多中心3期增强CT影像数据，开发并验证一个基于深度学习模型的预测工具，以评估非肌层浸润性膀胱癌患者手术后的复发风险。

方法

从四个不同医疗中心收集了731例患者的资料，其中训练集包含408例，验证集包含323例。采用Swin Transformer架构构建了一个深度学习特征，使用Cox回归分析计算出的预测分数来形成深度学习签名，并结合临床特征创建深度学习-临床签名。通过一致性指数（C-index）和曲线下面积（AUC）等指标评价模型性能。此外，还应用SHapley Additive exPlanation（SHAP）方法解释模型特征的重要性。

结果

在验证集中，深度学习签名对非肌层浸润性膀胱癌复发的预测能力表现优秀（C-index为0.818；AUC为0.895），优于其他模型和系统。根据X-tile软件确定的截断值将无复发生存期分为低风险和高风险两类，并计算其累计复发风险率。SHAP表达图像显示，肿瘤边缘区域对复发状态的预测影响最大。

结论

基于多阶段增强CT图像的深度学习签名具有预测非肌层浸润性膀胱癌复发风险的潜力，能够识别无复发生存的风险等级，从而支持个性化精准治疗。该模型不仅提供了强大的预测效能，还通过SHAP方法增强了模型的可解释性，有助于医生理解和信任模型决策过程，进一步优化患者的治疗策略。此研究填补了利用端到端Swin Transformer模型有效预测非肌层浸润性膀胱癌复发的空白，展示了深度学习技术在医学影像分析中的巨大潜力。然而，考虑到研究局限性，未来的工作需要更多国际数据进行外部验证，并探索自动化病变标注技术的应用。